Makine öğrenmesi algoritmaları

Makine öğrenmesi nedir?

Makine öğrenmesi, bilgisayarları verilerden öğrenmek için eğitmeye odaklanan bir yapay zeka dalıdır.

YZ ve makine öğrenmesi

Yapay zeka (YZ), makine öğrenmesi, derin öğrenme, sinir ağları ve daha fazlasını içeren bir dizi teknolojidir.

Makine öğrenmesi, bir bilgisayar programının performansını iyileştirmek için verilerden öğrenme yeteneğini ifade eder.

Yapay zeka ve makine öğrenmesi birbiriyle yakından ilişkili kavramlardır (birçok kişi bunları birbirinin yerine kullanır), ancak tam olarak aynı şey değildir. YZ, daha geniş anlamda, tipik olarak insan zekası gerektiren (görüntülerdeki nesneleri tanıma veya konuşmayı anlama gibi) görevleri gerçekleştirebilen makineleri ifade ederken, ML özellikle model eşleştirme ve tahmin görevleri için tasarlanmış algoritmaları ifade eder.

Derin öğrenme

Derin öğrenme, bilgisayarın açık bir şekilde programlanmadan büyük miktarda veriyi analiz ederek bir sorunu çözmeyi öğrendiği bir tür makine öğrenmesidir. Derin öğrenme algoritmaları, verilerin karmaşık temsillerini öğrenmek için birden fazla sinir ağı katmanı kullanır. Bunu yaparak, eksik veya gürültülü girdilere karşı sağlam olan yüksek seviyeli soyutlamaları modelleyebilirler.

Derin öğrenme, birçok oyun ve yarışmayı kazanmanın yanı sıra bilgisayarla görme, konuşma tanıma ve doğal dil işleme gibi endüstriyel uygulamaları geliştirmek için kullanıldı. Derin öğrenme, arama motorlarında da yaygın olarak kullanılmaktadır (örneğin, Google’ın RankBrain’i).

Doğal dil edinim

Doğal dil edinimi (NLP), insan dilini anlamak için yapay zekanın kullanılmasıdır. NLP, bir tür bilgiyi ondan çıkarmak amacıyla metni analiz etmek için genellikle büyük bir veri topluluğu üzerinde istatistiksel öğrenme ve makine öğrenmesi algoritmaları kullanan bir YZ alt kümesidir.

“Doğal dil” terimi, bilgisayar programlama dilleri gibi resmi dillerin aksine günlük gayri resmi konuşmayı ifade eder. Doğal dil işleme sistemleri, arama motorları, sohbet robotları, Siri veya Alexa gibi sesli asistanlar, belge özetleme ve makine çevirisi araçları dahil olmak üzere çok çeşitli uygulamalarda kullanılmaktadır.

Pekiştirmeli öğrenme

Pekiştirmeli öğrenme, bir algoritmanın performansını artırmak için geri bildirimi kullanarak deneme yanılma yoluyla öğrendiği bir makine öğrenmesi biçimidir. Bir ajan, Atari oyunları oynamak veya engellerin etrafında gezinmek gibi çevresiyle etkileşime girdiğinde robotikte yaygın olarak kullanılır.

Etmen, çevre hakkında önceden hiçbir bilgi sahibi olmadan başlar (ve dolayısıyla olayların nasıl gelişeceğini tahmin etmenin hiçbir yolu yoktur). Satrançta bir hamle seçmek veya bir joystick’i ileri itmek olsun, yaptığı her hareketle, bu hareketin doğru olup olmadığı hakkında anında geri bildirim alır. Bu geri bildirime dayanarak, aracı daha sonra hangi eylemlerin zaman içinde daha iyi sonuçlara yol açtığını belirlemek için pekiştirmeli öğrenme algoritmalarını kullanabilir ve hedeflerine verimli bir şekilde ulaşana kadar performanslarını kademeli olarak iyileştirebilir.

Karar ağaçları

Karar ağaçları, bir tür denetimli öğrenme algoritmasıdır. İkili bir değişkenin sonucunu tahmin etmek için kullanılırlar (Evet/Hayır). Karar ağacı bir kök düğümle başlar ve farklı yönlere doğru dallanır. Her dal, tahmin edilen sınıf etiketini içeren yapraklarla biter.

Aşağıdaki örnek, her veri noktasının bir hayvanı (köpek veya kedi) temsil ettiği ve canlı mı yoksa ölü mü olduğu, hayvan sınıflandırma verileri üzerinde eğitilmiş bir karar ağacını göstermektedir:

Destek vektör makineleri (SVM'ler)

Destek vektör makineleri (SVM’ler), sınıflandırma ve regresyon görevleri için yaygın olarak kullanılan bir tür çekirdek öğrenme algoritmasıdır. Bazı özellik uzayında bir dizi nokta verildiğinde, SVM’ler verileri iki sınıfa ayırmak için bir hiper düzlem öğrenir. Optimum ayırma hiperdüzlemi, yinelemeli bir optimizasyon algoritması kullanılarak bulunabilen maksimum marj hiperdüzlemi ile gösterilir.

Bazı popüler makine öğrenmesi algoritmalarına üst düzey bir genel bakış

Çok çeşitli sorunları çözmek için kullanılabilecek bir dizi makine öğrenme algoritması vardır. En yaygın kullanılan algoritmalar sınıflandırma, regresyon ve kümelemedir. Sınıflandırma, örüntü tanıma ve tahminde yaygın olarak kullanılırken, regresyon değişkenler arasındaki ilişkiyi analiz etmek için yararlıdır. Kümeleme algoritmaları, öğeleri alakalarına veya birbirleriyle benzerliklerine göre gruplandırır; bu, sosyal ağlar veya coğrafi konumlar gibi veri kümeleri içindeki kümeleri tanımlamayı mümkün kılar.

Makine öğrenmesi algoritmaları, optimizasyon amaçları için de kullanılabilir; örneğin, A noktasından B noktasına en iyi rotayı bulma veya simülasyon: geçmiş verilere dayalı olayları tahmin etme.